WO2018186437A1 - センサモジュールおよび機械学習と親和性の高いシステム - Google Patents

センサモジュールおよび機械学習と親和性の高いシステム Download PDF

Info

Publication number
WO2018186437A1
WO2018186437A1 PCT/JP2018/014399 JP2018014399W WO2018186437A1 WO 2018186437 A1 WO2018186437 A1 WO 2018186437A1 JP 2018014399 W JP2018014399 W JP 2018014399W WO 2018186437 A1 WO2018186437 A1 WO 2018186437A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor
signal
sensor module
feature
feature amount
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2018/014399
Other languages
English (en)
French (fr)
Inventor
俊夫 遠嶋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MinebeaMitsumi Inc
Original Assignee
MinebeaMitsumi Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by MinebeaMitsumi Inc filed Critical MinebeaMitsumi Inc
Publication of WO2018186437A1 publication Critical patent/WO2018186437A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • the present invention relates to a sensor module that receives a sensor signal from a sensor applied to a pump and outputs data, and a system having a high affinity with machine learning including the sensor module.
  • Patent Document 1 discloses an acceleration sensor that detects an acceleration component applied to an infusion tube, and an infusion signal from the detection signal of the acceleration sensor.
  • a drop measurement device including a droplet information acquisition unit that acquires information about a droplet that falls in a cylinder, and a display control unit that displays information acquired by the droplet information acquisition unit on a display unit Yes.
  • the drip measurement apparatus of Patent Document 1 detects information about a droplet falling in the drip tube from a feature amount of a waveform obtained by detecting an acceleration component applied to the drip tube and synthesizing this detection signal in time series. is doing. Specifically, it is necessary for the engineer to extract the feature value indicated by the time axis waveform, and the engineer is required to have a high level of expertise, and the engineer must work for each individual case. there were. Therefore, an object of the present invention is to solve the above-described problems and provide a highly versatile sensor module and a system having high affinity with machine learning.
  • the sensor module of the present invention comprises: A signal detector for receiving a sensor signal from a sensor applied to the pump; A feature vector calculation unit that extracts a feature amount indicating an abnormality in the liquid flow path of the pump from the sensor signal; A signal output unit for outputting the feature amount; It has.
  • the feature vector calculation unit extracts the feature amount using at least one of frequency analysis and statistical analysis. It is preferable.
  • the feature vector computing unit extracts the feature amount using a feature extraction algorithm generated in advance by machine learning; It is preferable.
  • the sensor module further includes an abnormality detection unit that determines whether or not the feature amount indicates abnormality using an abnormality detection algorithm generated in advance by machine learning. It is preferable.
  • the signal detection unit receives an auxiliary sensor signal from one or more auxiliary sensors of the pump,
  • the feature vector calculation unit further extracts the feature amount using the auxiliary sensor signal; It is preferable.
  • the signal output unit outputs the sensor signal together with the feature amount. It is preferable.
  • the system having high affinity with the machine learning of the present invention is The sensor module described above; A computer for receiving data output from the sensor module; Is provided.
  • (A) is a waveform of a sensor signal during normal liquid feeding
  • (b) is a waveform of a sensor signal when a blockage occurs upstream of the infusion pump.
  • (A) and (b) are the images which carried out the Fourier transformation of the waveform of Fig.8 (a) (b), respectively.
  • (A) and (b) are the waveforms which showed typically the image of Drawing 9 (a) and (b), respectively. It is a figure for demonstrating the usage example of a 1st and 2nd rotation sensor signal.
  • FIG. 1 is a schematic view of a sensor module according to the first embodiment of the present invention.
  • the sensor module 10a receives the sensor signal S and outputs data to a computer (not shown) such as a client. As will be described later, this data is data that can be applied to machine learning in a computer, that is, data having high affinity with machine learning.
  • the sensor module 10a includes a signal detection unit 11 that receives the sensor signal S from the sensor applied to the pump, and a feature amount that indicates an abnormality (for example, blockage or bubble mixing) in the liquid supply path of the pump from the sensor signal S.
  • a feature vector calculation unit 12 to extract and a signal output unit 13 to output a feature amount are provided.
  • the feature vector calculation unit 12 can extract a feature amount from the sensor signal S using frequency analysis.
  • the feature vector calculation unit 12 detects a difference between a waveform obtained by Fourier transforming the sensor signal S at normal time and a waveform obtained by Fourier transforming the sensor signal S at abnormal time, and extracts the difference as a feature amount. Can do. By using this method, it is not necessary for the engineer to extract the feature amount indicated by the time axis waveform, and the data amount can be compressed.
  • the feature vector calculation unit 12 may extract a feature amount from the sensor signal S by using statistical analysis such as a maximum value, a minimum value, or a median value instead of or in addition to the frequency analysis.
  • the feature vector calculation unit 12 can extract a feature amount from the sensor signal S by using an algorithm for feature extraction generated in advance by machine learning. Hereinafter, this method will be described with reference to FIG.
  • FIG. 2 is a diagram for explaining an algorithm design process using data mining technology.
  • a feature extraction algorithm is generated from a large number of learning data and verification data by a data mining process.
  • the feature extraction algorithm is an algorithm for extracting five parameters related to abnormality determination as feature amounts when the learning data and the verification data have 1000 parameters.
  • the feature extraction algorithm generated in this way is incorporated in the feature vector calculation unit 12.
  • an abnormality detection mathematical model (an abnormality detection algorithm) is generated from the extracted feature quantity by machine learning such as SVM. For example, when n parameter values a1, a2,..., An related to abnormality determination are extracted, weighting factors w1, w2,..., Wn corresponding to these parameter values are used.
  • Formula Z w1 ⁇ a1 + w2 ⁇ a2 +... + Wn ⁇ an + b (b is an offset value) is generated, and it is determined that Z is normal when Z> 0 and is abnormal when Z ⁇ 0.
  • the abnormality detection algorithm generated in this way is incorporated in the abnormality detection unit 14 described with reference to FIG.
  • FIG. 3 is a schematic view of a sensor module according to the second embodiment of the present invention.
  • the sensor module 10b according to the second embodiment further includes an abnormality detection unit 14, and the signal detection unit 11 receives the first and second auxiliary sensor signals Sr1 and Sr2 from the first and second auxiliary sensors.
  • the sensor module 10a is the same as that of the first embodiment. Note that the number of auxiliary sensors is not limited to two, and may be one or three or more.
  • the abnormality detection unit 14 has a determination unit, and can determine whether or not the feature amount indicates abnormality using an abnormality detection algorithm generated in advance by machine learning.
  • the abnormality detection unit 14 performs abnormality determination by substituting the feature quantities a1, a2,..., An into the above-described mathematical formula Z using the feature quantities. For example, when Z> 0, it is normal and is determined to be Pass, and when Z ⁇ 0 is abnormal, it is determined to be Fail. Further, the type of defect such as defects A, B,.
  • the first and second auxiliary sensors are, for example, rotation sensors.
  • the rotation sensor is a sensor that the pump normally has, and is provided in the encoder to detect the rotational position of the motor.
  • First and second auxiliary sensors (hereinafter sometimes referred to as rotation sensors) output first and second auxiliary sensor signals (hereinafter also referred to as rotation sensor signals) Sr1 and Sr2. .
  • the signal detection unit 11 further receives the first and second rotation sensor signals Sr1 and Sr2 in addition to the sensor signal S, and transmits the received signals S, Sr1 and Sr2 to the feature vector calculation unit 12.
  • the feature vector calculation unit 12 can further extract the feature amount using the first and second rotation sensor signals Sr1 and Sr2 in an auxiliary manner.
  • the abnormality detection unit 14 can also use the first and second rotation sensor signals Sr1 and Sr2 in an auxiliary manner to determine whether or not the feature value indicates abnormality.
  • FIG. 4 is a schematic view of a sensor module according to the third embodiment of the present invention.
  • the signal detection unit 11 transmits the sensor signal S to the signal output unit 13, and the signal output unit 13 outputs the sensor signal S together with the feature amount in the first embodiment. This is the same as the sensor module 10a according to the above.
  • the reason why the signal output unit 13 outputs the sensor signal S together with the feature amount is that there are cases where the sensor signal S as raw data is requested depending on the client that uses the output data.
  • FIGS. 5A and 5B are diagrams illustrating an example of output data.
  • One block represents data output at a time at a certain time.
  • a feature amount is output together with the sensor signals S1, S2,.
  • the feature quantity output together with the sensor signal S11 is the feature quantity extracted from S1 to S10
  • the feature quantity output together with the sensor signal S12 is the feature quantity extracted from S2 to S11.
  • the feature amount output together with the sensor signal S13 is the feature amount extracted from S3 to S12.
  • the feature value output together with the sensor signal is a feature value extracted from the ten sensor signals immediately preceding the sensor signal.
  • the feature amount output together with the sensor signal S11 is the feature amount extracted from S1 to S10
  • the feature amount output together with the sensor signal S12 is also extracted from S1 to S10.
  • the feature quantity output together with the sensor signal S13 is also the feature quantity extracted from S1 to S10.
  • the feature values output together with the sensor signals S11 to S20 are the same as the feature values extracted from S1 to S10. Note that the method for extracting the feature amount output together with the sensor signal is not limited to the illustrated example.
  • the present invention can also provide a system having high affinity for machine learning including the above-described sensor module and a computer that receives data output from the sensor module (in the above-described example, a client computer).
  • FIG. 6 is a schematic view in which the sensor module of the present invention is applied to a commercially available infusion pump.
  • the infusion pump is a finger-type infusion pump, and includes an infusion tube as a liquid feeding path, a cam + finger, a motor, an encoder, and first and second rotation sensors.
  • a strain sensor for measuring the internal pressure of the infusion tube is attached to the infusion tube.
  • the sensor signal S from the strain sensor and the rotation sensor signals Sr1 and Sr2 from the first and second rotation sensors are transmitted to the sensor module.
  • FIG. 7 is a diagram illustrating the waveform of the sensor signal S and the waveforms of the first and second rotation sensor signals Sr1 and Sr2.
  • Fig. 7 (a) shows a waveform during normal liquid feeding
  • Fig. 7 (b) shows a waveform (abnormality 1) when an occlusion occurs upstream of the infusion pump
  • Fig. 7 (c) shows an infusion. It is a waveform (abnormality 2) when bubbles are mixed in the tube.
  • FIG. 7B it can be seen that the amplitude of the sensor signal S is lower than the amplitude of the sensor signal S at the normal time, as indicated by x. This indicates that an occlusion occurs upstream of the infusion pump and the infusion tube is crushed.
  • a step is generated in the sensor signal S as indicated by y. This indicates that the liquid is flowing backward in the infusion tube.
  • the amplitude of the sensor signal S is lower than the amplitude of the sensor signal S at the normal time, as indicated by z. This indicates that air bubbles are mixed in the infusion tube.
  • the feature amount is extracted from the sensor signal S using at least one of frequency analysis and statistical analysis as the first method, or described with reference to FIG. 2 as the second method.
  • FIGS. 8 to 10 are diagrams for explaining the first method.
  • FIG. 8A shows the waveform of the sensor signal S at the time of normal liquid feeding
  • FIG. 8B shows the waveform of the sensor signal S when a blockage occurs upstream of the infusion pump.
  • FIGS. 9A and 9B are images obtained by Fourier transforming the waveforms of FIGS. 8A and 8B, respectively.
  • FIGS. 10A and 10B are waveforms schematically showing the images of FIGS. 9A and 9B, respectively. 8 to 10, when an abnormal waveform is Fourier-transformed, a peak that does not appear when a normal waveform is Fourier-transformed is observed in a specific frequency band. This peak is a feature amount.
  • a peak that is a feature amount can be extracted using frequency analysis.
  • the wavelet transform is a so-called three-dimensional Fourier transform including time, frequency, and power.
  • the X axis represents time
  • the Y axis represents frequency
  • the Z axis represents power.
  • FIG. 11 is a diagram for explaining an example of use of the first and second rotation sensor signals Sr1 and Sr2.
  • the combination of the first and second rotation sensor signals (Sr1, Sr2) is as follows: period t1 (0, 1) ⁇ period t2 (0, 0) ⁇ period t3 (1, 0) ⁇ period t4 (1, 1) ⁇ Period t5 (0, 1) ⁇ period t6 (0, 0) ⁇ ... Is repeated.
  • the period t4 (1, 1) that is, the first rotation sensor signal Sr1 remains 1, and the second rotation sensor signal Sr2 is switched from 0 to 1.
  • the period t3 (1, 0) ⁇ By using the time point at which the period t4 (1, 1) is switched as a trigger, the feature amount can be extracted efficiently.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

汎用性の高いセンサモジュールおよび機械学習と親和性の高いシステムを提供する。　センサモジュールは、ポンプに適用されたセンサから、センサ信号を受信する信号検出部と、センサ信号から、ポンプの送液路の異常を示す特徴量を抽出する特徴ベクトル演算部と、特徴量を出力する信号出力部と、を備えている。特徴ベクトル演算部は、周波数解析および統計解析の少なくとも一方を用いて特徴量を抽出する、または、予め機械学習によって生成された特徴抽出用のアルゴリズムを用いて特徴量を抽出することが好ましい。

Description

センサモジュールおよび機械学習と親和性の高いシステム
　本発明は、ポンプに適用されたセンサからのセンサ信号を受信し、データを出力するセンサモジュール、および、このセンサモジュールを備える、機械学習と親和性の高いシステムに関するものである。
　ポンプに適用されたセンサからのセンサ信号を受信し、データを出力するセンサモジュールとして、例えば特許文献１には、点滴筒に加わる加速度成分を検出する加速度センサと、加速度センサの検出信号から、点滴筒内を落下する液滴に関する情報を取得する液滴情報取得部と、液滴情報取得部により取得された情報を、表示部に表示させる表示制御部と、を備える滴下測定装置が提案されている。
特開２０１５－１２５１０５号公報
　特許文献１の滴下測定装置は、点滴筒に加わる加速度成分を検出し、この検出信号を時系列に合成処理して得た波形の特徴量から、点滴筒内を落下する液滴に関する情報を取得している。具体的には、技術者が、時間軸波形が示す特徴量を抽出する必要があり、技術者には高度な専門知識が要求されるとともに、個別の事例ごとに技術者が作業をする必要があった。
　そこで、本発明の目的は、上述した問題点を解消し、汎用性の高いセンサモジュールおよび機械学習と親和性の高いシステムを提供することにある。
　本発明のセンサモジュールは、
　ポンプに適用されたセンサから、センサ信号を受信する信号検出部と、
　前記センサ信号から、前記ポンプの送液路の異常を示す特徴量を抽出する特徴ベクトル演算部と、
　前記特徴量を出力する信号出力部と、
を備えている。
　前記特徴ベクトル演算部は、周波数解析および統計解析の少なくとも一方を用いて前記特徴量を抽出する、
ことが好ましい。
　前記特徴ベクトル演算部は、予め機械学習によって生成された特徴抽出用のアルゴリズムを用いて前記特徴量を抽出する、
ことが好ましい。
　前記センサモジュールは、予め機械学習によって生成された異常検出用のアルゴリズムを用いて前記特徴量が異常を示すか否かを判定する異常検出部をさらに備えている、
ことが好ましい。
　前記信号検出部は、前記ポンプが有する１つ以上の補助センサから補助センサ信号を受信し、
　前記特徴ベクトル演算部は、前記補助センサ信号をさらに用いて前記特徴量を抽出する、
ことが好ましい。
　前記信号出力部は、前記特徴量とともに前記センサ信号を出力する、
ことが好ましい。
　本発明の機械学習と親和性の高いシステムは、
　上述したセンサモジュールと、
　前記センサモジュールの出力するデータを受信するコンピュータと、
を備える。
本発明の第１実施形態に係るセンサモジュールの概略図である。 データマイニング技術を活用したアルゴリズム設計工程を説明するための図である。 本発明の第２実施形態に係るセンサモジュールの概略図である。 本発明の第３実施形態に係るセンサモジュールの概略図である。 出力データの一例を示す図である。 本発明のセンサモジュールを市販の輸液ポンプに適用した概略図である。 センサ信号の波形と、第１および第２の回転センサ信号の波形と、を示す図である。 （ａ）は、正常送液時のセンサ信号の波形であり、（ｂ）は、輸液ポンプの上流で閉塞が生じた場合のセンサ信号の波形である。 （ａ）（ｂ）は、それぞれ、図８（ａ）（ｂ）の波形をフーリエ変換した画像である。 （ａ）（ｂ）は、それぞれ、図９（ａ）（ｂ）の画像を模式的に示した波形である。 第１および第２の回転センサ信号の利用例を説明するための図である。
　図１は、本発明の第１実施形態に係るセンサモジュールの概略図である。
　センサモジュール１０ａは、センサ信号Ｓを受信し、クライアント等のコンピュータ（図示せず）に対してデータを出力する。このデータは、後述するように、コンピュータにおいて機械学習に適用することが可能なデータ、すなわち、機械学習と親和性の高いデータである。
　センサモジュール１０ａは、ポンプに適用されたセンサから、センサ信号Ｓを受信する信号検出部１１と、センサ信号Ｓから、ポンプの送液路の異常（例えば、閉塞、気泡混入）を示す特徴量を抽出する特徴ベクトル演算部１２と、特徴量を出力する信号出力部１３と、を備えている。
　特徴ベクトル演算部１２は、周波数解析を用いて、センサ信号Ｓから特徴量を抽出することができる。例えば、特徴ベクトル演算部１２は、正常時のセンサ信号Ｓをフーリエ変換した波形と、異常時のセンサ信号Ｓをフーリエ変換した波形と、の差分を検出し、当該差分を特徴量として抽出することができる。この手法を用いることにより、技術者が、時間軸波形が示す特徴量を抽出する必要がなくなり、データ量を圧縮することもできる。
　なお、特徴ベクトル演算部１２は、周波数解析に代えてあるいは加えて、最大値、最小値または中央値等の統計解析を用い、センサ信号Ｓから特徴量を抽出するようにしてもよい。
　あるいは、特徴ベクトル演算部１２は、予め機械学習によって生成された特徴抽出用のアルゴリズムを用いて、センサ信号Ｓから特徴量を抽出することもできる。以下、図２を用いてこの方法を説明する。
　図２は、データマイニング技術を活用したアルゴリズム設計工程を説明するための図である。
　多数の学習用データおよび検証用データから、データマイニング工程によって特徴抽出用のアルゴリズムが生成される。例えば、特徴抽出用のアルゴリズムとは、学習用データおよび検証用データが１０００個のパラメータを有する場合、そのうち、特徴量として、異常判定に関連する５個のパラメータを抽出するためのアルゴリズムである。
　このようにして生成された特徴抽出用のアルゴリズムは、特徴ベクトル演算部１２に組み込まれる。
　さらに、抽出された特徴量から、ＳＶＭ等の機械学習によって異常検出数理モデル（異常検出用のアルゴリズム）が生成される。例えば、異常判定に関連するｎ個のパラメータの値ａ１、ａ２、・・・、ａｎが抽出される場合、これらのパラメータの値に対応する重み係数ｗ１、ｗ２、・・・、ｗｎを用いた数式Ｚ＝ｗ１×ａ１＋ｗ２×ａ２＋・・・＋ｗｎ×ａｎ＋ｂ（ｂは、オフセット値）が生成され、Ｚ＞０の場合正常であり、Ｚ≦０の場合異常であると判定される。
　このようにして生成された異常検出用のアルゴリズムは、図３を用いて説明する異常検出部１４に組み込まれる。
　図３は、本発明の第２実施形態に係るセンサモジュールの概略図である。第２実施形態に係るセンサモジュール１０ｂは、異常検出部１４をさらに備え、信号検出部１１が、第１および第２の補助センサから第１および第２の補助センサ信号Ｓｒ１、Ｓｒ２を受信する点以外、第１実施形態に係るセンサモジュール１０ａと同一である。なお、補助センサは、２つに限らず、１つでもよいし、３つ以上を設けてもよい。
　異常検出部１４は、判定部を有し、予め機械学習によって生成された異常検出用のアルゴリズムを用いて特徴量が異常を示すか否かを判定することができる。上述した例の場合、異常検出部１４は、特徴量を用いた上述の数式Ｚに、特徴量ａ１、ａ２、・・・、ａｎを代入することにより、異常判定を行う。例えば、Ｚ＞０の場合正常であり、Ｐａｓｓと判定され、Ｚ≦０の場合異常であり、Ｆａｉｌと判定される。さらに、Ｚの値によって不具合Ａ、Ｂ、・・・といったように不具合の種類が特定される。
　第１および第２の補助センサは、例えば回転センサである。ここで、回転センサは、ポンプが通常有するセンサであり、モータの回転位置を検出するためにエンコーダに設けられている。第１および第２の補助センサ（以下、回転センサと呼称することがある）は、第１および第２の補助センサ信号（以下、回転センサ信号と呼称することがある）Ｓｒ１、Ｓｒ２を出力する。信号検出部１１は、センサ信号Ｓに加えて、これらの第１および第２の回転センサ信号Ｓｒ１、Ｓｒ２をさらに受信し、受信した信号Ｓ、Ｓｒ１、Ｓｒ２を特徴ベクトル演算部１２に送信する。
　特徴ベクトル演算部１２は、センサ信号Ｓに加えて、これらの第１および第２の回転センサ信号Ｓｒ１、Ｓｒ２をさらに補助的に用いて特徴量を抽出することができる。例えば、第１および第２の回転センサ信号Ｓｒ１、Ｓｒ２が所定の値を出力した際に、センサ信号Ｓに異常が発生することが分かった場合、第１および第２の回転センサ信号Ｓｒ１、Ｓｒ２の当該所定の値をトリガとして用いて特徴量を抽出することができる。
　異常検出部１４もまた、センサ信号Ｓに加えて、第１および第２の回転センサ信号Ｓｒ１、Ｓｒ２をさらに補助的に用いて特徴量が異常を示すか否かを判定することができる。
　図４は、本発明の第３実施形態に係るセンサモジュールの概略図である。第３実施形態に係るセンサモジュール１０ｃでは、信号検出部１１が、センサ信号Ｓを信号出力部１３に送信し、信号出力部１３が特徴量とともにセンサ信号Ｓを出力する点以外、第１実施形態に係るセンサモジュール１０ａと同一である。
　信号出力部１３が特徴量とともにセンサ信号Ｓを出力するのは、出力データを利用するクライアントによっては、生データとしてのセンサ信号Ｓを要求する場合が存在するためである。
　図５（ａ）（ｂ）は、出力データの一例を示す図である。
　１つのブロックが、ある時点で一度に出力されるデータを表す。センサ信号Ｓ１、Ｓ２、・・・とともに特徴量が出力される。　図５（ａ）では、センサ信号Ｓ１１とともに出力される特徴量は、Ｓ１～Ｓ１０から抽出した特徴量であり、センサ信号Ｓ１２とともに出力される特徴量は、Ｓ２～Ｓ１１から抽出した特徴量であり、センサ信号Ｓ１３とともに出力される特徴量は、Ｓ３～Ｓ１２から抽出した特徴量である。このように、センサ信号とともに出力される特徴量は、当該センサ信号より１つ前の１０のセンサ信号から抽出した特徴量である。
　なお、センサ信号Ｓ１～Ｓ１０の出力の際には、十分なデータが蓄積されていないためダミーデータが出力される。
　代替例である図５（ｂ）では、センサ信号Ｓ１１とともに出力される特徴量は、Ｓ１～Ｓ１０から抽出した特徴量であり、センサ信号Ｓ１２とともに出力される特徴量も、Ｓ１～Ｓ１０から抽出した特徴量であり、センサ信号Ｓ１３とともに出力される特徴量も、Ｓ１～Ｓ１０から抽出した特徴量である。このように、センサ信号Ｓ１１～Ｓ２０とともに出力される特徴量は、Ｓ１～Ｓ１０から抽出した特徴量であり同一である。
　なお、センサ信号とともに出力される特徴量の抽出方法は、図示例に限定されるものではない。
　本発明は、上述したセンサモジュールと、センサモジュールの出力するデータを受信するコンピュータ（上述した例では、クライアントのコンピュータ）と、を備える機械学習と親和性の高いシステムもまた提供することができる。
　以下、本発明を、実施例を参照しながら説明するが、本発明はこの実施例に限定されるものではない。
　図６は、本発明のセンサモジュールを市販の輸液ポンプに適用した概略図である。
　輸液ポンプは、フィンガー方式の輸液ポンプであり、送液路としての輸液チューブと、カム＋フィンガーと、モータと、エンコーダと、第１および第２の回転センサと、を有する。輸液チューブには、輸液チューブの内圧を測定するためのひずみセンサが取り付けられている。ひずみセンサからのセンサ信号Ｓと、第１および第２の回転センサからの回転センサ信号Ｓｒ１、Ｓｒ２と、はセンサモジュールに送信される。
　図７は、センサ信号Ｓの波形と、第１および第２の回転センサ信号Ｓｒ１、Ｓｒ２の波形と、を示す図である。
　図７（ａ）は、正常送液時の波形であり、図７（ｂ）は、輸液ポンプの上流で閉塞が生じた場合の波形（異常１）であり、図７（ｃ）は、輸液チューブに気泡が混入した場合の波形（異常２）である。
　図７（ｂ）では、ｘに示すように、センサ信号Ｓの振幅が、正常時のセンサ信号Ｓの振幅と比較して下がっていることが分かる。これは、輸液ポンプの上流で閉塞が生じ、輸液チューブが潰れていることを示す。また、ｙに示すように、センサ信号Ｓに段差が生じていることが分かる。これは、輸液チューブ内を液体が逆流していることを示す。
　図７（ｃ）では、ｚに示すように、センサ信号Ｓの振幅が、正常時のセンサ信号Ｓの振幅と比較して下がっていることが分かる。これは、輸液チューブに気泡が混入していることを示す。
　従来は、技術者が、正常波形と異常波形とを比較し、ｘｙｚに示すような特徴量を抽出する必要があった。
　一方、本発明は、第１の手法として、周波数解析および統計解析の少なくとも一方を用いて、センサ信号Ｓから特徴量を抽出するか、あるいは、第２の手法として、図２を用いて説明したように予め機械学習によって生成された特徴抽出用のアルゴリズムを用いて、センサ信号Ｓから特徴量を抽出することができるので、汎用性の高いセンサモジュールを提供することが可能となる。
　図８～図１０は、第１の手法を説明するための図である。
　図８（ａ）は、正常送液時のセンサ信号Ｓの波形であり、図８（ｂ）は、輸液ポンプの上流で閉塞が生じた場合のセンサ信号Ｓの波形である。
　図９（ａ）（ｂ）は、それぞれ、図８（ａ）（ｂ）の波形をフーリエ変換した画像である。
　図１０（ａ）（ｂ）は、それぞれ、図９（ａ）（ｂ）の画像を模式的に示した波形である。
　図８～図１０より、異常波形をフーリエ変換すると、特定の周波数帯域に、正常波形をフーリエ変換した際には現れなかったピークが見られる。このピークが特徴量であり、第１の手法では、周波数解析を用いて特徴量であるピークを抽出することができる。
　なお、ウェーブレット変換は、時間、周波数およびパワーを含む、いわゆる３次元のフーリエ変換であり、図９および図１０では、Ｘ軸が時間を、Ｙ軸が周波数を、Ｚ軸がパワーを表す。
　図１１は、第１および第２の回転センサ信号Ｓｒ１、Ｓｒ２の利用例を説明するための図である。
　第１および第２の回転センサ信号（Ｓｒ１、Ｓｒ２）の組み合わせは、期間ｔ１（０、１）→期間ｔ２（０、０）→期間ｔ３（１、０）→期間ｔ４（１、１）→期間ｔ５（０、１）→期間ｔ６（０、０）→・・・を繰り返す。例えば、期間ｔ３（１、０）→期間ｔ４（１、１）のとき、すなわち、第１の回転センサ信号Ｓｒ１が１のままであり、第２の回転センサ信号Ｓｒ２が０から１に切り替わった直後に、ｙの位置でセンサ信号Ｓに異常が発生することが分かった場合（なお、図示のセンサ信号Ｓは正常波形のため、異常は示されていない）、期間ｔ３（１、０）→期間ｔ４（１、１）の切り替わる時点をトリガとして用いることにより、特徴量を効率的に抽出することができる。
　１０ａ、１０ｂ、１０ｃ　センサモジュール
　１１　信号検出部
　１２　特徴ベクトル演算部
　１３　信号出力部
　１４　異常検出部

Claims (7)

  1. 　ポンプに適用されたセンサから、センサ信号を受信する信号検出部と、
    　前記センサ信号から、前記ポンプの送液路の異常を示す特徴量を抽出する特徴ベクトル演算部と、
    　前記特徴量を出力する信号出力部と、
    を備えているセンサモジュール。
  2. 　前記特徴ベクトル演算部は、周波数解析および統計解析の少なくとも一方を用いて前記特徴量を抽出する、
    請求項１に記載のセンサモジュール。
  3. 　前記特徴ベクトル演算部は、予め機械学習によって生成された特徴抽出用のアルゴリズムを用いて前記特徴量を抽出する、
    請求項１に記載のセンサモジュール。
  4. 　予め機械学習によって生成された異常検出用のアルゴリズムを用いて前記特徴量が異常を示すか否かを判定する異常検出部をさらに備えている、
    請求項１から３のいずれかに記載のセンサモジュール。
  5. 　前記信号検出部は、前記ポンプが有する１つ以上の補助センサから補助センサ信号を受信し、
    　前記特徴ベクトル演算部は、前記補助センサ信号をさらに用いて前記特徴量を抽出する、
    請求項１から４のいずれかに記載のセンサモジュール。
  6. 　前記信号出力部は、前記特徴量とともに前記センサ信号を出力する、
    請求項１から５のいずれかに記載のセンサモジュール。
  7. 　請求項１から６のいずれかに記載のセンサモジュールと、
    　前記センサモジュールの出力するデータを受信するコンピュータと、
    を備える機械学習と親和性の高いシステム。
PCT/JP2018/014399 2017-04-05 2018-04-04 センサモジュールおよび機械学習と親和性の高いシステム Ceased WO2018186437A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-075202 2017-04-05
JP2017075202A JP2018179582A (ja) 2017-04-05 2017-04-05 センサモジュールおよび機械学習と親和性の高いシステム

Publications (1)

Publication Number Publication Date
WO2018186437A1 true WO2018186437A1 (ja) 2018-10-11

Family

ID=63713128

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/014399 Ceased WO2018186437A1 (ja) 2017-04-05 2018-04-04 センサモジュールおよび機械学習と親和性の高いシステム

Country Status (2)

Country Link
JP (1) JP2018179582A (ja)
WO (1) WO2018186437A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11212637A (ja) * 1998-01-22 1999-08-06 Hitachi Ltd 予防保全方法及び装置
JP2004024476A (ja) * 2002-06-25 2004-01-29 Nemoto Kyorindo:Kk 輸液ポンプ
JP2004279211A (ja) * 2003-03-14 2004-10-07 Omron Corp 知識作成支援装置及びパラメータ探索方法並びにプログラム製品
US20160203036A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11212637A (ja) * 1998-01-22 1999-08-06 Hitachi Ltd 予防保全方法及び装置
JP2004024476A (ja) * 2002-06-25 2004-01-29 Nemoto Kyorindo:Kk 輸液ポンプ
JP2004279211A (ja) * 2003-03-14 2004-10-07 Omron Corp 知識作成支援装置及びパラメータ探索方法並びにプログラム製品
US20160203036A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system

Also Published As

Publication number Publication date
JP2018179582A (ja) 2018-11-15

Similar Documents

Publication Publication Date Title
EP2677500A3 (en) Event-based image processing apparatus and method
CN202040152U (zh) 一种液压系统的故障检测系统
CN105354535B (zh) 一种特殊的低压差分信号图像采集与处理方法
EP2853191A3 (en) Image processing apparatus, image processing system, and image processing method
US8155924B2 (en) Method and apparatus for three dimensional calibration of an on-board diagnostics system
US20080205853A1 (en) Method of Monitoring the Control of Image Representations, Particularly from Safety-relevant Raw Data
JP6113691B2 (ja) センサ装置、処理装置、センサシステム及び物理量の出力方法
WO2018186437A1 (ja) センサモジュールおよび機械学習と親和性の高いシステム
JP6409375B2 (ja) パラメータ分類装置
CN115388760B (zh) 基于弓网检测装置的数据处理方法、装置、设备及介质
WO2019049199A1 (ja) データ表示システム、表示装置およびデータ表示方法
US11231352B2 (en) Impact testing machine
JP2001125634A (ja) ウェーブレット変換によるプラント機器監視装置
US20220412837A1 (en) Graphical Display of Discontinuous Waveform Data
KR101554474B1 (ko) 제어 시스템
CN103018327A (zh) 航空发动机整流器超声波探伤钎着率测量方法
JP2005335664A (ja) 回転体の異常検知装置および方法
CN103686158B (zh) 模拟视频信号输出设备检测方法和系统
CN102721426B (zh) 数显计数器校准系统及方法
CN113869171A (zh) 一种防止工程机械仪表显示数据跳变的控制方法及系统
EP3324259A3 (en) Fault signal recovery apparatus and method
CN104019844A (zh) 一种基于快速傅利叶变换的仪表指针抖动检测方法
JP5835287B2 (ja) 画像分析装置および画像分析方法
CN105488255B (zh) 一种电传铁鸟试验传感器数据处理方法及系统
US12181856B2 (en) Method and system for collecting machine data

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18780699

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18780699

Country of ref document: EP

Kind code of ref document: A1